Mantenimiento Predictivo con IoT: Reduciendo Tiempos de Inactividad en la Industria

El mantenimiento predictivo con IoT implica el uso de datos recopilados de sensores y dispositivos conectados para predecir cuándo es probable que ocurra un fallo o se requiera mantenimiento en un equipo o sistema. Los algoritmos de aprendizaje automático (Machine Learning) desempeñan un papel crucial en este proceso, ya que permiten analizar los datos históricos y en tiempo real para identificar patrones y tendencias que indiquen la necesidad de mantenimiento.

Algunos de los algoritmos de aprendizaje automático más comúnmente utilizados para el mantenimiento predictivo con IoT son:

Regresión: Los algoritmos de regresión, como la regresión lineal, la regresión logística y la regresión de vectores de soporte (SVR), se utilizan para predecir valores continuos, como el tiempo restante hasta el fallo o el desgaste de un componente.

Clasificación: Los algoritmos de clasificación, como los árboles de decisión, las máquinas de vectores de soporte (SVM), las redes neuronales y los bosques aleatorios, se utilizan para clasificar los datos en categorías, como "fallo inminente" o "funcionamiento normal".

Aprendizaje profundo: Las redes neuronales profundas, como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), son efectivas para el procesamiento de datos de series temporales y la extracción de características complejas de los datos de sensores.

Agrupamiento (Clustering): Los algoritmos de agrupamiento, como K-means y DBSCAN, se utilizan para identificar patrones y anomalías en los datos, lo que puede ayudar a detectar condiciones anormales que puedan indicar la necesidad de mantenimiento.

Detección de anomalías: Los algoritmos de detección de anomalías, como el análisis de componentes principales (PCA) y los modelos de aislamiento forestal (Isolation Forest), se utilizan para identificar patrones de datos que se desvían significativamente de lo esperado, lo que puede indicar un fallo inminente.

Modelos de supervivencia: Los modelos de supervivencia, como el modelo de riesgos proporcionales de Cox, se utilizan para estimar la probabilidad de que un componente o sistema sobreviva (funcione correctamente) durante un período de tiempo determinado.

La elección del algoritmo de aprendizaje automático más adecuado depende de varios factores, como el tipo de datos disponibles, la naturaleza del problema de mantenimiento predictivo y los requisitos de precisión y rendimiento. En muchos casos, se utilizan enfoques de aprendizaje automático híbridos o ensamblados que combinan varios algoritmos para aprovechar sus fortalezas individuales y mejorar el rendimiento general.

Además, es importante tener en cuenta que el proceso de mantenimiento predictivo con IoT no solo implica la selección y el entrenamiento de algoritmos de aprendizaje automático, sino también la recopilación y preparación de datos de alta calidad, la integración con sistemas de IoT y la implementación de flujos de trabajo eficientes para la toma de decisiones y la programación del mantenimiento.

A continuación, se citan diferentes artículos científicos en base a sus algoritmos:

G. A. Susto, A. Schirru, S. Pampuri, S. McLoone and A. Beghi,
"Machine Learning for Predictive Maintenance: A Multiple Classifier Approach," in IEEE Transactions on Industrial Informatics, vol. 11, no. 3, pp. 812-820, June 2015, doi: 10.1109/TII.2014.2349359.

En este artículo se presenta una metodología de aprendizaje automático (ML) con múltiples clasificadores para el mantenimiento predictivo (PdM). El PdM es una estrategia prominente para abordar los problemas de mantenimiento dada la creciente necesidad de minimizar los tiempos de inactividad y los costos asociados. Uno de los desafíos del PdM es generar los llamados "factores de salud", o indicadores cuantitativos, del estado de un sistema asociado con un problema de mantenimiento dado, y determinar su relación con los costos operativos y el riesgo de falla. La metodología PdM propuesta permite adoptar reglas de decisión dinámicas para la gestión del mantenimiento, y puede usarse con problemas de datos de alta dimensión y censurados. Esto se logra entrenando múltiples módulos de clasificación con diferentes horizontes de predicción para proporcionar diferentes compensaciones de rendimiento en términos de frecuencia de interrupciones inesperadas y vida útil no aprovechada, y luego empleando esta información en un sistema de decisión de mantenimiento basado en costos operativos para minimizar los costos esperados. La efectividad de la metodología se demuestra utilizando un ejemplo simulado y un problema de mantenimiento de fabricación de semiconductores de referencia.

La creciente disponibilidad de datos está cambiando la forma en que se toman las decisiones en la industria en áreas importantes como la programación, la gestión del mantenimiento y la mejora de la calidad. Se ha demostrado que los enfoques de aprendizaje automático (ML) proporcionan soluciones cada vez más efectivas en estas áreas, facilitadas por las crecientes capacidades de hardware, soluciones basadas en la nube y los nuevos algoritmos de vanguardia introducidos recientemente. Al mismo tiempo, la gestión eficiente de las actividades de mantenimiento se está volviendo esencial para disminuir los costos asociados con el tiempo de inactividad y los productos defectuosos, especialmente en industrias manufactureras avanzadas y altamente competitivas como la fabricación de semiconductores.

Sherien Elkateb, Ahmed Métwalli, Abdelrahman Shendy, Ahmed E.B. Abu-Elanien,

Machine learning and IoT – Based predictive maintenance approach for industrial applications,

Alexandria Engineering Journal, Volume 88, 2024, Pages 298-309, ISSN 1110-0168,

El artículo presenta un sistema de mantenimiento predictivo que utiliza aprendizaje automático para clasificar diferentes tipos de paradas de máquina en tiempo real para máquinas de tejido en la industria textil. El sistema recolecta datos de sensores habilitados para IoT en las máquinas, incluyendo velocidades y pasos de la máquina. Estos datos se preprocesan y se alimentan a un modelo de aprendizaje automático AdaBoost para clasificar seis tipos de paradas de máquina: parada de compuerta, parada de alimentador, parada de aguja, parada de rollo completo, parada de inactividad y parada de licra. El modelo se optimizó mediante el ajuste de hiperparámetros y validación cruzada, logrando una precisión del 92% en el conjunto de prueba. El sistema propuesto tiene como objetivo permitir acciones de mantenimiento oportunas al predecir con precisión las paradas de la máquina, mejorando así la eficiencia y la productividad en el proceso de fabricación textil. Los beneficios clave incluyen la reducción del tiempo de inactividad, el aumento de la disponibilidad de la máquina y las intervenciones de mantenimiento específicas basadas en la identificación de las causas raíz de las paradas.

Anomaly Detection for Predictive Maintenance in Industry 4.0- A survey

Pooja Kamat and Rekha Sugandhi, E3S Web Conf., 170 (2020) 02007

DOI: https://doi.org/10.1051/e3sconf/202017002007

El artículo analiza la importancia del mantenimiento predictivo (PdM) para mejorar la disponibilidad de los activos y evitar tiempos muertos imprevistos en las industrias manufactureras. Las estrategias de mantenimiento tradicionales implican compensaciones entre hacer funcionar el equipo hasta que falle o reemplazar piezas buenas prematuramente. El PdM tiene como objetivo optimizar la vida útil restante al mismo tiempo que minimiza el tiempo de inactividad mediante la detección temprana de anomalías. El núcleo del PdM radica en identificar anomalías en el funcionamiento del equipo en una etapa temprana utilizando técnicas de detección de anomalías. El artículo describe los desafíos con los métodos tradicionales de detección de anomalías y propone un novedoso enfoque de aprendizaje profundo para predecir anormalidades antes del fallo real de la maquinaria. Destaca cómo el Internet Industrial de las Cosas (IIoT) y los datos de sensores permiten el análisis predictivo para el monitoreo de la salud del equipo. Sin embargo, los complejos procesos de fabricación dificultan la definición de reglas de alerta. El documento motiva la necesidad de una detección eficiente de anomalías utilizando inteligencia artificial para habilitar el mantenimiento predictivo y reducir los costos asociados con el tiempo de inactividad imprevisto.

D. Jung, Z. Zhang and M. Winslett,
"Vibration Analysis for IoT Enabled Predictive Maintenance," 2017 IEEE 33rd International Conference on Data Engineering (ICDE), San Diego, CA, USA, 2017, pp. 1271-1282, doi: 10.1109/ICDE.2017.170.

El artículo analiza la creciente importancia de los sensores de vibración para el mantenimiento predictivo en los sistemas industriales de Internet de las Cosas (IoT). Los sensores de vibración conectados a equipos como motores y tuberías pueden proporcionar información sobre su estado operativo. Sin embargo, el muestreo no continuo y la dificultad para interpretar los datos de vibración plantean desafíos.

Los autores proponen un nuevo marco analítico diseñado específicamente para el análisis de vibraciones que permita una estimación precisa de la vida útil restante (RUL) del equipo. Esto puede optimizar la programación de reemplazos y el mantenimiento. Sus evaluaciones empíricas en sitios de fabricación mostraron que el marco permitió prolongar la vida útil promedio del equipo en 1,2 veces y reducir los costos de reemplazo en un 20%.

Se destacan las ventajas clave de los nuevos sensores de vibración basados en MEMS: son livianos, eficientes energéticamente, baratos y pueden revelar el estado del equipo a través de patrones de vibración independientes de factores externos. El análisis de vibraciones permite el mantenimiento predictivo al monitorear la salud del equipo en tiempo real en lugar de períodos de reemplazo fijos.

Sin embargo, los datos de vibración son de alta dimensionalidad y requieren una selección efectiva de características. El motor analítico también necesita manejar datos asincrónicos e incompletos de sensores con ancho de banda/energía limitados para el modelado predictivo.